一、概述

在博客系统的文章列表中，为了更有效地呈现文章内容，从而让读者更有针对性地选择阅读，通常会同时提供文章的标题和摘要。

一篇文章的内容可以是纯文本格式的，但在网络盛行的当今，更多是HTML格式的。无论是哪种格式，摘要一般都是文章 开头部分 的内容，可以按照指定的字数来提取。

二、纯文本摘要

纯文本文档 就是一个长字符串，很容易实现对它的摘要提取：

123456789101112131415161718

#!/usr/bin/env python# -*- coding: utf-8 -*- \”\”\”Get a summary of the TEXT-format document\”\”\” def get_summary(text, count): u\”\”\”Get the first `count` characters from `text` >>> text = u\’Welcome 这是一篇关于Python的文章\’ >>> get_summary(text, 12) == u\’Welcome 这是一篇\’ True \”\”\” assert(isinstance(text, unicode)) return text[0:count] if __name__ == \’__main__\’: import doctest doctest.testmod()

三、HTML摘要

HTML文档 中包含大量标记符（如<h1>、<p>、<a>等等），这些字符都是标记指令，并且通常是成对出现的，简单的文本截取会破坏HTML的文档结构，进而导致摘要在浏览器中显示不当。

在遵循HTML文档结构的同时，又要对内容进行截取，就需要解析HTML文档。在Python中，可以借助标准库 HTMLParser 来完成。

一个最简单的摘要提取功能，是忽略HTML标记符而只提取标记内部的原生文本。如果您不明白我说的意思，可以看看博客园的摘要功能，以下就是类似该功能的Python实现：

12345678910111213141516171819202122232425262728293031323334353637383940

#!/usr/bin/env python# -*- coding: utf-8 -*- \”\”\”Get a raw summary of the HTML-format document\”\”\” from HTMLParser import HTMLParser class SummaryHTMLParser(HTMLParser): \”\”\”Parse HTML text to get a summary >>> text = u\’Hi guys:This is a example using SummaryHTMLParser.\’ >>> parser = SummaryHTMLParser(10) >>> parser.feed(text) >>> parser.get_summary(u\’…\’) u\’Higuys:Thi…\’ \”\”\” def __init__(self, count): HTMLParser.__init__(self) self.count = count self.summary = u\’\’ def feed(self, data): \”\”\”Only accept unicode `data`\”\”\” assert(isinstance(data, unicode)) HTMLParser.feed(self, data) def handle_data(self, data): more = self.count – len(self.summary) if more > 0: # Remove possible whitespaces in `data` data_without_whitespace = u\’\’.join(data.split()) self.summary += data_without_whitespace[0:more] def get_summary(self, suffix=u\’\’, wrapper=u\’p\’): return u\'{1}{2}{0}>\’.format(wrapper, self.summary, suffix) if __name__ == \’__main__\’: import doctest doctest.testmod()

========== 更新 ==========

HTMLParser（或者 BeautifulSoup 等等）更适合完成复杂的HTML摘要提取功能，对于上述简单的HTML摘要提取功能，其实有更简洁的实现方案（相比 SummaryHTMLParser 而言）：

12345678910111213141516171819202122

#!/usr/bin/env python# -*- coding: utf-8 -*- \”\”\”Get a raw summary of the HTML-format document\”\”\” import re def get_summary(text, count, suffix=u\’\’, wrapper=u\’p\’): \”\”\”A simpler implementation (vs `SummaryHTMLParser`). >>> text = u\’Hi guys:This is a example using SummaryHTMLParser.\’ >>> get_summary(text, 10, u\’…\’) u\’Higuys:Thi…\’ \”\”\” assert(isinstance(text, unicode)) summary = re.sub(r\’\’, u\’\’, text) # key difference: use regex summary = u\’\’.join(summary.split())[0:count] return u\'{1}{2}{0}>\’.format(wrapper, summary, suffix) if __name__ == \’__main__\’: import doctest doctest.testmod()

上一篇：Python实践：模块自动重载

下一篇：用Python写一个简单的Web框架

Python实践：提取文章摘要

一、概述

二、纯文本摘要

三、HTML摘要

相关内容

热门资讯